目录
1、迭代器
迭代是Python最强大的功能之一，是访问集合元素的一种方式。
迭代器是一个可以记住遍历的位置的对象。
迭代器对象从集合的第一个元素开始访问，直到所有的元素被访问完结束。迭代器只能往前不会后退。
迭代器有两个基本的方法：__iter__() 和 __next__()。
为何要有迭代器？什么是可迭代对象？什么是迭代器对象？
#1、为何要有迭代器？ 对于序列类型：字符串、列表、元组，我们可以使用索引的方式迭代取出其包含的元素。 但对于字典、集合、文件等类型是没有索引的，若还想取出其内部包含的元素，则必须找出一种不依赖于索引的迭代方式，这就是迭代器 #2、什么是可迭代对象？ 可迭代对象指的是内置有__iter__方法的对象，即obj.__iter__，如下 'hello'.__iter__ (1,2,3).__iter__ [1,2,3].__iter__ {'a':1}.__iter__ {'a','b'}.__iter__ open('a.txt').__iter__ #3、什么是迭代器对象？ 可迭代对象执行obj.__iter__()得到的结果就是迭代器对象 而迭代器对象指的是即内置有__iter__又内置有__next__方法的对象 文件类型是迭代器对象 open('a.txt').__iter__() open('a.txt').__next__() #4、注意： 迭代器对象一定是可迭代对象，而可迭代对象不一定是迭代器对象
迭代器对象的使用
dic={'a':1,'b':2,'c':3}
iter_dic=dic.__iter__() #得到迭代器对象，迭代器对象即有__iter__又有__next__，但是：迭代器.__iter__()得到的仍然是迭代器本身
iter_dic.__iter__() is iter_dic #True
print(iter_dic.__next__()) #等同于next(iter_dic)
print(iter_dic.__next__()) #等同于next(iter_dic)
print(iter_dic.__next__()) #等同于next(iter_dic)
print(iter_dic.__next__()) #抛出异常StopIteration，或者说结束标志
#基于for循环，我们可以完全不再依赖索引去取值了
dic={'a':1,'b':2,'c':3}
for k in dic:
print(dic[k])
#for循环的工作原理
#1：执行in后对象的dic.__iter__()方法，得到一个迭代器对象iter_dic
#2: 执行next(iter_dic),将得到的值赋值给k,然后执行循环体代码
#3: 重复过程2，直到捕捉到异常StopIteration,结束循环迭代器的优缺点
#优点： - 提供一种统一的、不依赖于索引的迭代方式 - 惰性计算，节省内存 #缺点： - 无法获取长度（只有在next完毕才知道到底有几个值） - 一次性的，只能往后走，不能往前退
2、生成器
什么是生成器
#只要函数内部包含有yield关键字，那么函数名()的到的结果就是生成器，并且不会执行函数内部代码
def func():
print('a')
yield 1
print('b')
yield 2
print('c')
yield 3
print('d')
g=func()
print(g) #<generator object func at 0x0000000002184360>特点： 调用函数的之后函数不执行，返回一个生成器 每次调用next方法的时候会取到一个值 直到取完最后一个，在执行next会报错从生成器中取值的几个方法: 1、__next__()方法 2、for循环 3、数据类型的强制转换 : 占用内存
send的用法
def generator():
print(123)
content = yield 1
print('========',content)
print(456)
yield 2
print(789)
yield 3
g = generator()
ret = g.__next__()
print('******',ret)
ret = g.send('hello') #send()的效里跟__next__()一样
print('******',ret)
#send 获取下一个值的效果和next基本一致
#只是在获取下一个值的时候，给上一yield的位置传递一个数据
#使用send的注意事项
# 第一次使用生成器的时候 是用next获取下一个值
# 最后一个yield不能接受外部的值send用法例子：计算移动平均值
def average():
sum, count, avg = 0,0,0
while True:
num = yield avg
sum = sum + num
count += 1
avg = sum/count
avg_a = average()
avg_a.__next__()
print(avg_a.send(10))
print(avg_a.send(10))
print(avg_a.send(20))
print(avg_a.send(20))
结果：
10.0
10.0
13.333333333333334
15.0
预激协程的装饰器
def init(func): #在调用被装饰生成器函数的时候首先用next激活生成器
def inner(*args,**kwargs):
ret = func(*args,**kwargs)
ret.__next__()
return ret
return inner
@init
def average():
sum, count, avg = 0,0,0
while True:
num = yield avg
sum = sum + num
count += 1
avg = sum/count
avg_a = average()
# next(avg_a) 在装饰器中执行了next方法,无需调用__next__()
print(avg_a.send(10))
print(avg_a.send(10))
print(avg_a.send(20))
print(avg_a.send(20))
结果：
10.0
10.0
13.333333333333334
15.0python3新增的yield from
def gen1():
a = 'abcdef'
b = '123456'
for c in a:
yield c
for d in b:
yield d
print(list(gen1())) #打印变量a,b里面的元素
#使用yield from 打印
def gen2():
a = 'abcdef'
b = '123456'
yield from a
yield from b
print(list(gen2())) #yield from 打印变量a,b里面的元素
结果：
['a', 'b', 'c', 'd', 'e', 'f', '1', '2', '3', '4', '5', '6']
['a', 'b', 'c', 'd', 'e', 'f', '1', '2', '3', '4', '5', '6']3、列表推导式
#生成一个[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]的列表
lis = []
for i in range(10):
lis.append(i)
print(lis)
#使用列表推导式
lis1 = [i for i in range(10)]
print(lis1)
lis2 = ['%d个苹果'%i for i in range(10)]
print(lis2)
结果：
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
['0个苹果', '1个苹果', '2个苹果', '3个苹果', '4个苹果', '5个苹果', '6个苹果', '7个苹果', '8个苹果', '9个苹果']4、生成器表达式
# 生成器表达式
g = (i for i in range(10)) #返回是一个生成器
print(g) #打印是个生成器
for i in g:
print(i)
# 括号不一样
# 返回的值不一样 === 几乎不占用内存
#生成0-10的平方
g = (i*i for i in range(10))
for i in g:
print(i)
5、各种推导式详解
推导式的套路
之前我们已经学习了最简单的列表推导式和生成器表达式。但是除此之外，其实还有字典推导式、集合推导式等等。
下面是一个以列表推导式为例的推导式详细格式，同样适用于其他推导式。
1.[每一个元素或者是和元素相关的操作 for 元素 in 可迭代数据类型] #遍历之后挨个处理
2.[满足条件的元素相关的操作 for 元素 in 可迭代数据类型 if 元素相关的条件] #筛选功能
列表推导式
#30以内所有能被3整除的数
ret = [i for i in range(30) if i%3 == 0] #完整的列表推导式
print(ret)
#30以内所有能被3整除的数的平方
ret1 = [i*i for i in (1,2,3,4) if i%3 == 0]
print(ret1)
# 找到嵌套列表中名字含有两个‘e’的所有名字
names = [['Tom', 'Billy', 'Jefferson', 'Andrew', 'Wesley', 'Steven', 'Joe'],
['Alice', 'Jill', 'Ana', 'Wendy', 'Jennifer', 'Sherry', 'Eva']]
ret2 = [name for lst in names for name in lst if name.count('e') ==2]
print(ret2)
结果：
[0, 3, 6, 9, 12, 15, 18, 21, 24, 27]
[9]
['Jefferson', 'Wesley', 'Steven', 'Jennifer']字典推导式
#例一：将一个字典的key和value对调
mcase = {'a': 10, 'b': 34}
#{10:'a' , 34:'b'}
mcase_frequency = {mcase[k]: k for k in mcase}
print(mcase_frequency)
#例二：合并大小写对应的value值，将k统一成小写
mcase = {'a': 10, 'b': 34, 'A': 7, 'Z': 3}
#{'a':10+7,'b':34,'z':3}
mcase_frequency = {k.lower(): mcase.get(k.lower(), 0) + mcase.get(k.upper(), 0) for k in mcase}
print(mcase_frequency)
结果：
{10: 'a', 34: 'b'}
{'a': 17, 'b': 34, 'z': 3}集合推导式
#集合推导式，自带结果去重功能
squared = {x**2 for x in [1, -1, 2]}
print(squared)
结果：
{1, 4}6、小结
可迭代对象：
拥有__iter__方法
特点：惰性运算
例如:range(),str,list,tuple,dict,set
迭代器Iterator：
拥有__iter__方法和__next__方法
例如:iter(range()),iter(str),iter(list),iter(tuple),iter(dict),iter(set),reversed(list_o),map(func,list_o),filter(func,list_o),file_o
生成器Generator：
本质：迭代器，所以拥有__iter__方法和__next__方法
特点：惰性运算,开发者自定义
使用生成器的优点：
1.延迟计算，一次返回一个结果。也就是说，它不会一次生成所有的结果，这对于大数据量处理，将会非常有用。
#列表解析 sum([i for i in range(100000000)])#内存占用大,机器容易卡死 #生成器表达式 sum(i for i in range(100000000))#几乎不占内存
2.提高代码可读性